图像生成与视觉模型指南

区分理解与生成

把图片发给多模态聊天模型是“看图并输出文本”；让模型创建或编辑图片是专用 Images/媒体任务。两者的模型、计费、输入格式和安全限制不同，不能因为都叫视觉而共用请求。

明确是文生图、图生图、局部编辑还是多参考一致性，并记录宽高比、尺寸、输出格式、种子和参考权重。输入图片要限制大小、类型和下载来源，不能让服务端抓取任意 URL。

同步接口直接返回图像或 URL；异步接口返回任务 ID，需要幂等创建、有界轮询、终态处理和结果转存。Base64 会显著增加内存与日志体积，高并发服务优先流式上传和对象存储。

用固定提示与参考素材评估构图、主体一致性、手部、文字拼写、品牌色、编辑区域保持和多样性。自动指标只能筛选，人审仍是创意质量与权利风险的关键环节。

核验输入版权、人物同意、商标、敏感内容和厂商输出条款。不要把模型生成当成权利保证；保存提示、模型版本、审核结果和人工批准记录。

FAQ

上传图片让模型分析和让模型生成图片是同一个接口吗？

通常不是。视觉理解把图片作为多模态对话输入并返回文本，生成或编辑图片使用 Images/媒体端点；请求结构、模型、计费和审核规则都可能不同。

图片 API 返回 URL 或任务 ID 后就完成了吗？

不一定。任务 ID 只表示异步任务已受理，需要查询到成功终态；返回 URL 也可能是短期临时地址，应校验媒体类型和大小后尽快流式转存到受控对象存储。

怎样控制图片生成的费用和内存占用？

限制尺寸、张数、并发和失败重试，并按需求选择质量档位。Base64 会放大响应和日志体积，高并发服务优先使用流式上传、URL/对象存储，避免整批图片常驻内存。

如何评测生成图片，模型输出是否天然可以商用？

用固定提示和参考图检查提示遵循、主体一致性、文字、编辑区域与品牌色，并保留人审。模型输出不是权利保证；必须核对输入版权、人物同意、商标、内容审核和厂商输出条款。

关联指南